用 AI 做音乐视频，最稳的办法不是把整首歌塞进一个超长提示词，而是把它当成剪辑项目来做。先锁定最终音轨，按段落拆歌，给每一段安排明确的画面任务，再生成可以贴着主音轨剪辑的短镜头。MiniMax H3 可以帮你做表演、叙事、舞蹈和抽象画面，最终节奏、连续性、混音和发布仍要在剪辑软件里完成。
这篇指南覆盖完整流程：拆解歌曲、做镜头表、选择 MiniMax H3 输入方式、写可执行的镜头提示词、控制角色和视觉连续性，再把生成片段剪成一支完整音乐视频。
MiniMax H3 能为音乐视频做什么
MiniMax H3 是多模态视频模型。MiniMax 官方发布说明提到，它能接收文字、图片、视频和音频上下文，并原生生成立体声音频。本站当前的 MiniMax H3 生成器 提供文字、图片、视频、音频输入，支持 2K 输出，片段时长可选 5 到 15 秒。
这些能力适合拿来做一个个独立镜头。你可以用图片稳定表演者形象，用参考视频表达难以描述的动作，用音频提供节奏或表演上下文，也可以只靠文字生成氛围空镜。但 MiniMax H3 不是非线性剪辑软件，完整歌曲的对轨、切镜、混音、字幕和最终导出，还是要在剪辑时间线上完成。
真正可控的工作单位，是一个镜头或一个短视觉乐句。比如副歌可以拆成舞台全景、歌手近景、舞蹈机位和两三个插入镜头，分别生成，再靠剪辑做出节奏。
如果还不熟悉模型，可以先看如何使用 MiniMax H3。MiniMax H3 模型页也整理了当前主要能力。
生成前先选音乐视频类型
先别急着写提示词。要先确定歌曲需要哪种视频。类型会决定连续性有多难，也会告诉你最重要的镜头该花在哪里。
| 类型 | 适合什么歌 | 必须保持一致的部分 | 主要风险 |
|---|---|---|---|
| 表演型 | 歌手、乐队、DJ、以人声为主的歌曲 | 表演者、服装、舞台、光线方向 | 不同切镜里的口型和手部细节 |
| 叙事型 | 有故事线或情绪推进的单曲 | 角色、地点逻辑、道具、时间 | 场景太散，看不出同一个故事 |
| 舞蹈型 | 流行、电子、嘻哈等节奏强的歌 | 舞者、服装、队形、地面和灯光 | 长镜头里的复杂肢体动作 |
| 视觉化 | 器乐、氛围音乐、发行预告 | 色板、形态语言、运动方式 | 画面重复，没有推进 |
混合结构通常比单一类型更好用。表演镜头给观众一个人物锚点，叙事或舞蹈负责变化，抽象插入镜头既能遮住连续性接缝，也能让剪辑喘口气。
视觉化画面很适合承接前奏、间奏和器乐段，不必再引入新人物或新场景。
从最终音轨开始
一定要用准备正式发布的音频母带。粗混版后面可能改长度、动态或结构，镜头表也会跟着作废。还要确认自己拥有录音和词曲权利，或者现有许可明确覆盖计划发布的平台和用途。
先完整听一遍，不写提示词。标出前奏、主歌、预副歌、副歌、桥段或间奏、最后一遍副歌和尾奏。再标出值得切镜或改变运动的音乐事件，比如第一句人声、鼓花、低频落点、长音、突然静音，或者主旋律重新出现。
BPM 可以当时间网格，但别把它当创作命令。每拍都切很快就会机械。一个镜头可以跨过几个拍点，也可以在转折前提前切入。只要表演情绪够强，近景跨过小节线也没有问题。
把歌曲做成镜头表
镜头表就是把音乐翻译成具体画面任务。没必要先画完每一帧。用表格或笔记记录时间码、段落、画面用途、镜头想法和制作状态，已经够用。
| 歌曲段落 | 画面任务 | 能量 | 镜头示例 |
|---|---|---|---|
| 前奏 | 建立世界 | 低，带一点悬念 | 空舞台细节、剪影、缓慢推进 |
| 主歌 | 介绍人物或故事 | 克制 | 中景表演、叙事动作、稳定机位 |
| 副歌 | 给出规模和记忆点 | 高 | 舞台全景、舞蹈队形、明显的环绕或跟拍 |
| 桥段 | 打破已经建立的规律 | 不稳定或更亲密 | 新地点、抽象段落、极近景、慢动作 |
| 最后副歌 | 回收并放大前面的想法 | 最高 | 回到主场景，用更大的运动和更密的覆盖 |
| 尾奏 | 收束或留下最后印象 | 下降 | 空下来的房间、停住的人像、灯光熄灭、物件细节 |
每个段落只设一个主想法。主歌如果是一个人在雨夜街头行走，就别同时塞进夜店、沙漠、卧室和太空舱，除非歌曲本身确实支持这种蒙太奇。好看的音乐视频会重复一条视觉规则，然后在需要的时候有意打破它。
计划镜头可以比最终剪辑需要的略多，但范围必须有限。把镜头标成必拍、备选和可选插入，避免把生成额度花在“很好看，但时间线里没有位置”的片段上。正式制作前可以查看价格页，让镜头数量和预算匹配。
做一页视觉设定表
视觉设定表是连续性的简化说明，一页就够。放上表演者或角色参考、服装、两三种主色、关键场景细节、光线方向、常用景别、材质，以及绝对不能变化的东西。
选择要具体。“电影感、情绪化”没有太多约束力。“琥珀色主光从镜头左侧照来，歌手后方是靛蓝雾气，黑色舞台地面，银色夹克，浅景深，轻微手持运动”才像一套能反复使用的规则。
变化也可以提前写清楚。副歌增加绯红色轮廓光，桥段拿掉暖色主光，切到冷色近景。变化经过设计，就会像情绪推进，而不是模型自己漂了。
参考包里尽量别放名人、在世艺术家、受版权保护的角色、品牌标记和直接复制的音乐视频画面，除非你确实有权使用，而且有明确制作理由。虚构表演者加原创视觉系统，是更稳的起点。
给每个镜头选择 MiniMax H3 工作流
MiniMax H3 有几种起镜方式。按实际问题选择，参考材料不是越多越好。
| 工作流 | 什么时候用 | 提供什么 | 注意什么 |
|---|---|---|---|
| 文生视频 | 氛围镜头，或者角色身份不重要 | 主体、动作、环境、光线、镜头、时长意图 | 多个片段之间的外观可能变化 |
| 图片引导 | 表演者、服装、产品或构图必须延续 | 清晰参考图，加上运动指令 | 别在一个镜头里塞太多动作 |
| 首尾帧 | 转场或结束构图很重要 | 兼容的起始图和结束图，加一条明确运动路径 | 两端几何结构变化太大容易失控 |
| 视频参考 | 动作语言或摄影运动很难用文字说清 | 只保留目标运动的短参考视频 | 模型可能带入无关视觉细节 |
| 音频上下文 | 动作或表演需要对声音作出反应 | 短音频片段，配合受支持的视觉输入 | 它不能代替最终歌曲剪辑 |
本站工作流里，音频需要和图片或视频参考一起使用，不能只靠音频起镜。MiniMax 官方 API 支持 WAV 和 MP3 音频参考，也支持混合参考类型。网页界面可能比完整 API 更简化，所以制作计划要以当前生成器里实际能选的功能为准。
当前生成器已选择 MiniMax H3，可见文字、图片、视频和音频输入。截图时间：2026 年 8 月 14 日。
准备容易识别的参考材料
参考质量比数量重要。表演者参考图最好是清晰的虚构成年人，服装可见，轮廓干净，光线接近目标场景。如果模型只需要识别一个人，就不要给它一张拥挤拼贴图。
动作参考只保留真正需要的运动。三秒钟的清晰环绕，比同时包含六种摄影方式的长蒙太奇更有用。音频也只截取目标镜头对应的歌曲段落，不要给远超镜头长度的上下文。
MiniMax 官方 API 文档当前列出的上限是：最多 9 张参考图；最多 3 个视频，总长不超过 15 秒；最多 3 个音频，总长不超过 15 秒；混合参考最多 12 个文件。这些是 API 上限，不是建议用量。参考越简单，结果漂移时越容易找到原因。
从第一次生成开始就统一画幅。横版发布一般用 16:9，Shorts 和 Reels 常用 9:16。把拥挤的横版舞蹈画面后期硬裁成竖版，可能直接裁掉舞者或破坏队形。如果两个版本都重要，就给主体留安全区域，或者分别生成镜头。
写镜头级提示词
一个提示词只负责一个镜头。可以按这个顺序写：
主体和身份 + 一个主要动作 + 环境 + 光线 + 景别与摄影运动 + 动作质感 + 连续性细节。
提示词要说明镜头里会发生什么。形容词能补画面，动词才会让视频动起来。“华丽的演唱会场景”不如“歌手走进暖色聚光灯，举起麦克风转向镜头，摄影机缓慢绕行半圈”具体。
下面四条可以直接当起点，再按你的视觉设定替换服装、色板、地点和摄影方向。
表演近景
虚构成年歌手穿银色夹克，在黑色舞台的琥珀色聚光灯下表演，面向镜头演唱，靛蓝逆光里的雾气缓慢移动。稳定中近景，轻微手持呼吸感，缓慢向前推进，自然面部运动，服装和舞台设计保持一致。
舞蹈副歌
四名虚构成年舞者在潮湿的混凝土仓库里完成同步副歌队形。青色侧光和琥珀色逆光勾出清晰轮廓。宽幅全身景别，平滑横向跟拍，只做一组易读舞步，服装一致，脚部接触地面自然。
抽象桥段
半透明靛蓝与绯红丝带在黑暗空间中折叠，细小琥珀色粒子随着音乐脉冲聚集。镜头缓慢向前漂移，只发生一次连续形态变化，空间层次丰富，柔和体积光，不出现文字或界面元素。
叙事插入
虚构成年主角在雨后的深夜公交站独自等待，手里翻动一张折好的纸票，一辆空车经过却没有停。固定中远景，钠灯照明，冷色倒影，安静写实的动作，外套和前面场景的色板保持一致。
摄影语言不够用时，可以查镜头运动提示词合集。想系统理解提示词结构，可以看 MiniMax H3 提示词指南。
按歌曲段落逐步生成
先选一个有代表性的主歌镜头，再选一个副歌镜头。它们是校准镜头，用来判断表演者、色板、地点和运动方式是不是属于同一支视频。确认方向对了，再扩展完整镜头表。
每个结果都要放回镜头表检查，不能只看它是不是漂亮：
- 这个镜头有没有完成对应的音乐任务？
- 可用时段里，主体是不是一直清楚？
- 它能不能和前后镜头放在同一个视觉世界里？
- 开头和结尾有没有干净的剪辑点？
简单记录每次使用的提示词、参考、设置、结果和下一步修改。一次只改一个关键变量。身份漂移就先换更清晰的图片参考，动作混乱就减少动词，画面太平就调整光线或机位。所有内容一起重写，反而找不到问题来自哪里。
当前生成器支持最长 15 秒片段。镜头并不是越长越好。复杂舞步、手部互动更适合短一点，缓慢推进和抽象视觉化则可以留得更长。
这个副歌画面概念只突出一个主姿势、清楚的队形间距和方向相反的侧光。
把片段剪到主音轨上
新建时间线，把最终歌曲锁成音频母版。标出段落和重要音乐事件。先放必要镜头：开场画面、第一句人声、第一次副歌亮相、桥段变化、最后副歌回收和收尾画面。主干成立之后，再补转场和插入镜头。
生成音频要有选择地使用。MiniMax H3 能生成原生立体声，但音乐视频通常还是要以正式发行的歌曲为主。除非环境声、人群声、脚步或其他音效确实让画面更好，而且已经和歌曲一起检查过，否则可以把生成声音静音或压低。
剪动作，不要只剪时间码。开头不稳的几帧可以去掉，手或脸开始漂之前就离开镜头。相邻镜头的运动方向也要匹配。舞者向画面右侧移动，通常比突然反向的动作更容易接到另一个右向镜头。
变速要克制。小幅调整可以让动作落在拍点上，过度拉伸会放大瑕疵，也会让人体运动更假。镜头长度实在不合适时，插一个空镜通常比硬拉更干净。
最后给整条片子做一次统一调色。即使提示词一致，不同生成片段的对比度、饱和度和白平衡也可能不同。先把它们拉回同一视觉范围，再做有意的段落变化，比如桥段转冷、最后副歌变亮。
常见问题怎么修
| 问题 | 常见原因 | 处理办法 |
|---|---|---|
| 表演者每个镜头都不一样 | 纯文字提供的身份信息太少 | 固定一张清晰参考图，重复服装和灯光细节 |
| 副歌比主歌还小 | 景别和摄影能量没有变化 | 把最宽的画面和最强的可读运动留给副歌 |
| 切镜很随机 | 生成前没有按歌曲做镜头表 | 回到段落标记，给每个片段安排音乐任务 |
| 舞蹈动作断裂 | 人数、舞步和运镜同时太复杂 | 缩短动作，明确间距，用更宽的全身景别 |
| 口型让人分心 | 镜头太近，或者太依赖精确同步 | 多用侧面、中景、插入镜头，或单独使用口型工具 |
| 像一堆无关 Demo | 色板、地点和景别规则一直变 | 严格执行视觉设定，并在不同段落重复视觉母题 |
| 竖版裁掉主体 | 构图只考虑了 16:9 | 生成主体居中的安全镜头，或单独做 9:16 版本 |
不要只靠一张静帧判断修复有没有用。要用正常速度看完整可用段落，再把它放进时间线，和歌曲一起看。有的单帧很漂亮，但运动和剪辑点都不能用。
检查版权、披露和平台要求
使用 AI 不会自动消除版权、肖像权和许可责任。发布前要确认词曲、录音母带、表演者形象、参考媒体、Logo、字体和库存素材的权利。平台规则和当地法律可能不同，授权文件和同意记录最好跟项目一起保存。
YouTube 要求创作者对看起来真实的重大修改或合成内容作出披露，版权规则也继续适用于上传内容。频道变现政策强调原创、真实的创作投入，不鼓励批量化或高度重复内容。经过认真剪辑的作品、原创或已授权音乐、明确的镜头设计和可见的创作判断，比一批几乎相同的生成片段更稳。
最终导出后，要开声音、开字幕或标题、打开平台裁切参考线完整检查。重点看脸、手、标识、闪烁光线、意外文字，以及可能误导观众的真实人物或事件。平台要求披露时，按对应入口标记。
这套工作流适合谁
它适合已经有最终歌曲、也能做剪辑判断的独立音乐人、厂牌、制作人、导演和社媒团队。视觉化、表演概念、叙事插入、发行预告，以及实拍和生成素材混剪，都比较合适。
如果项目依赖长时间不间断编舞、整首歌的精确口型、纪录片真实性，或者受法律严格控制的名人形象，这套方法就不该独立承担主要任务。更合适的是专业制作、专用口型工具、真实拍摄或法律审核。MiniMax H3 仍可以做补充镜头，但别把最难的要求全压在它身上。
保留可继续编辑的母版
先导出高质量母版，再做各平台版本。把时间线、原始音轨、参考文件、提示词、授权记录和入选片段放在同一个项目目录。然后从母版分别制作横版、竖版、字幕、缩略图和短预告。
镜头日志也要保留。以后要做歌词片段、巡演视觉、另一版副歌或幕后拆解时，可以回到已有视觉系统，不用靠记忆重做。作品展示页可以提供短视频构图思路，但真正能复用的是成片背后的制作记录。
创建第一个 MiniMax H3 镜头
从最终音轨里选一段主歌或副歌，用一句话写清它的画面任务，选一张参考图，再写一条镜头级提示词。打开 MiniMax H3 生成器，选择画幅和时长，加入当前工作流支持的参考媒体，先生成一个校准镜头，再决定是否扩展完整计划。
第一条结果方向对了，就固定身份和环境，只改动作或摄影。方向不对就做减法。目标不是救回每一个片段，而是找到一套能稳定产出同一视觉世界镜头的设置。
来源与方法
本文最后核验时间为 2026 年 8 月 14 日。产品能力和参考素材限制来自 MiniMax H3 官方发布说明、MiniMax 官方视频生成 API 指南和本站当前 MiniMax H3 生成器。发布部分参考 YouTube 官方的修改或合成内容披露规则、版权说明和频道变现政策。
这套流程基于当前产品事实和常规时间线剪辑方法整理。本文没有进行付费 MiniMax H3 生成测试。三张概念图用于说明视觉规划，界面图用于记录当前产品控件。没有嵌入外部教程视频，因为本次审查的候选内容无法同时满足当前版本相关性和可核验热度要求。
